Implementasi Metode LightGBM Untuk Klasifikasi Kondisi Abnormal Pada Pengemudi Sepeda Motor Berbasis Sensor Smartphone
DOI:
https://doi.org/10.35143/jkt.v7i2.5164Kata Kunci:
Kecelakaan Lalu Lintas, LightGBM, Waktu KomputasiAbstrak
Kecelakaan lalu lintas merupakan salah satu penyebab angka kematian yang cukup tinggi Dengan kondisi demografis di Indonesia, di mana pengendara sepeda motor adalah tipe yang mendominasi lalu lintas jalan raya, sehingga resiko tertimpa kecelakaan lalu lintas leboh tinggi dibanding pengendara lain. Sistem deteksi aktivitas pada kendaraan bermotor yang telah banyak dibangun umumnya terfokus pada pengemudi mobil, dan memiliki masalah utama di waktu komputasi yang tinggi. Untuk mengatasi permasalahan ini, dalam penelitian kali ini, dibuat suatu sistem deteksi aktivitas abnormal dari pengendara sepeda motor dengan menggunakan metode Light Gradient Boosting Machine (LightGBM). Sistem tersebut didesain untuk memiliki waktu komputasi yang rendah dan dapat menghasilkan respons yang cepat terhadap perubahan gerakan yang terjadi dalam kecepatan tinggi. Untuk melakukan proses pelatihan model LightGBM, akan digunakan data yang berasal dari sensor Accelerometer dan Gyroscope yang tedapat pada smartphone, yang akan digunakan untuk mendeteksi gerakan yang dilakukan oleh seorang pengendara. Model yang didapat dari proses pelatihan dengan menggunakan data yang telah dikumpulkan menunjukkan tingkat akurasi setinggi 82% pada pengetesan menggunakan data yang telah disiapkan, dan menunjukkan akurasi hampir 70% dalam proses deteksi secara real-time, dengan waktu komputasi 10 mili detik, membuktikan bahwa sistem yang didesain bekerja 5 kali lipat lebih cepat dibanding sistem yang telah ada .Unduhan
Referensi
Jusuf, A., Nurprasetio, I. P., & Prihutama, A. “Macro data analysis of traffic accidents in Indonesiaâ€. Journal of Engineering and Technological Sciences. 2017.
Eraqi, H. M., Abouelnaga, Y., Saad, M. H., & Moustafa, M. N. “Driver distraction identification with an ensemble of convolutional neural networksâ€. Journal of Advanced Transportation.2019.
Shahverdy, M., Fathy, M., Berangi, R., & Sabokrou, M. "Driver behavior detection and classification using deep convolutional neural networks". Expert Systems with Applications. 2020.
Brombacher, P., Masino, J., Frey, M., & Gauterin, F. "Driving event detection and driving style classification using artificial neural networks". Proceedings of the IEEE International Conference on Industrial Technology. 2017.
Nuswantoro, F. M., Sudarsono, A., & Santoso, T. B. "Abnormal driving detection based on accelerometer and gyroscope sensor on smartphone using artificial neural network (ann) algorithm". IES 2020 - International Electronics Symposium: The Role of Autonomous and Intelligent Systems for Human Life and Comfort. 2020.
Matousek, M., El-Zohairy, M., Al-Momani, A., Kargl, F., & Bosch, C. "Detecting anomalous driving behavior using neural networks". IEEE Intelligent Vehicles Symposium, Proceedings. 2019.
Chen, T., & Guestrin, C. "XGBoost : Reliable Large-scale Tree Boosting System". ArXiv. 2016.
Shi, X., Wong, Y. D., Li, M. Z. F., Palanisamy, C., & Chai, C. “A feature learning approach based on XGBoost for driving assessment and risk predictionâ€. Accident Analysis and Prevention. 2019.
Lu, Y., Fu, X., Guo, E., & Tang, F. “XGBoost Algorithm-Based Monitoring Model for Urban Driving Stress: Combining Driving Behaviour, Driving Environment, and Route Familiarityâ€. IEEE Access. 2021.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. “LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systemsâ€. 2017
Zeng, H., Yang, C., Zhang, H., Wu, Z., Zhang, J., Dai, G., Babiloni, F., Kong, W., & Chuang, L. “A LightGBM-Based EEG Analysis Method for Driver Mental States Classificationâ€. Computational Intelligence and Neuroscience. 2019.
Gao, X., Luo, H., Wang, Q., Zhao, F., Ye, L., & Zhang, Y. “A human activity recognition algorithm based on stacking denoising autoencoder and lightGBMâ€. Sensors (Switzerland). 2019.
Choi, S., & Hur, J. “An ensemble learner-based bagging model using past output data for photovoltaic forecastingâ€. Energies. 2020.
Demir-Kavuk, O., Kamada, M., Akutsu, T., & Knapp, E. W. “Prediction using step-wise L1, L2 regularization and feature selection for small data sets with large number of featuresâ€. BMC Bioinformatics. 2011.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2021 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
